update loss function.

README.md

@@ -8,15 +8,15 @@
 
 本项目实现了 **RoRD (Rotation-Robust Descriptors)** 模型，这是一种先进的局部特征匹配方法，专用于集成电路（IC）版图的识别。
 
-IC 版图在匹配时可能出现多种方向（0°、90°、180°、270° 及其镜像），RoRD 模型通过其旋转鲁棒性设计，能够有效应对这一挑战。 项目采用自监督学习和随机旋转的数据增强策略，旨在解决 IC 版图识别中常见的数据稀缺性、几何多变性、动态扩展性和结构复杂性等问题。
+IC 版图在匹配时可能出现多种方向（0°、90°、180°、270° 及其镜像），RoRD 模型通过其**几何感知损失函数**和**曼哈顿结构优化**的设计，能够有效应对这一挑战。项目采用**几何结构学习**而非纹理学习的训练策略，专门针对 IC 版图的二值化、稀疏性、重复结构和曼哈顿几何特征进行了深度优化。
 
 ### ✨ 主要功能
 
-* **模型实现**：基于 D2-Net 架构，使用 PyTorch 实现了适用于 IC 版图的 RoRD 模型。
-* **数据加载**：提供了自定义的 `ICLayoutDataset` 类，用于加载光栅化的 IC 版图图像。
-* **训练脚本**：通过随机旋转生成训练对，以自监督的方式训练模型，确保其旋转鲁棒性。
-* **评估脚本**：可在验证集上评估模型性能，计算精确率、召回率和 F1 分数。
-* **匹配工具**：使用训练好的模型进行模板匹配，支持多实例检测和匹配结果的可视化。
+* **模型实现**：基于 D2-Net 架构，使用 PyTorch 实现了适用于 IC 版图的 RoRD 模型，**专门针对几何结构学习优化**。
+* **数据加载**：提供了自定义的 `ICLayoutDataset` 类，用于加载光栅化的 IC 版图图像，支持**曼哈顿几何感知采样**。
+* **训练脚本**：通过**几何感知损失函数**训练模型，学习**几何结构描述子**而非纹理特征，确保对二值化、稀疏性、重复结构的鲁棒性。
+* **评估脚本**：可在验证集上评估模型性能，**专门针对IC版图特征**计算几何一致性指标。
+* **匹配工具**：使用训练好的模型进行**几何结构匹配**，有效区分重复图形并支持多实例检测。
 
 ## 🛠️ 安装
 
@@ -177,14 +177,33 @@ JSON 标注文件示例：
 }
 ```
 
-## 🧠 模型架构
+## 🧠 模型架构 - IC版图专用优化版
 
-RoRD 模型基于 D2-Net 架构，并使用 VGG-16 作为其骨干网络。
+RoRD 模型基于 D2-Net 架构，使用 VGG-16 作为骨干网络，**专门针对IC版图的几何特征进行了深度优化**。
 
-* **检测头**: 用于检测关键点，输出一个概率图。
-* **描述子头**: 生成 128 维的旋转鲁棒描述子，专门为 IC 版图的 8 个离散旋转方向进行了适配。
+### 网络结构创新
+* **检测头**: 用于检测**几何边界关键点**，输出二值化概率图，专门针对IC版图的黑白边界优化
+* **描述子头**: 生成 128 维的**几何结构描述子**，而非纹理描述子，具有以下特性：
+  - **曼哈顿几何感知**: 专门针对水平和垂直结构优化
+  - **重复结构区分**: 能有效区分相同图形的不同实例
+  - **二值化鲁棒性**: 对光照变化完全不变
+  - **稀疏特征优化**: 专注于真实几何结构而非噪声
 
-模型通过自监督学习进行训练，利用 0° 到 360° 的随机旋转生成训练对，以同时优化关键点的检测重复性和描述子的相似性。
+### 核心创新 - 几何感知损失函数
+**专为IC版图特征设计**：
+- **曼哈顿一致性损失**: 确保90度旋转下的几何一致性
+- **稀疏性正则化**: 适应IC版图稀疏特征分布
+- **二值化特征距离**: 强化几何边界特征，弱化灰度变化
+- **几何感知困难负样本**: 基于结构相似性而非像素相似性选择负样本
+
+### 训练策略 - 几何结构学习
+模型通过**几何结构学习**策略进行训练：
+- **曼哈顿变换生成训练对**: 利用90度旋转等曼哈顿变换
+- **几何感知采样**: 优先采样水平和垂直方向的边缘点
+- **结构一致性优化**: 学习几何结构描述子而非纹理特征
+- **重复结构鲁棒性**: 有效处理IC版图中的大量重复图形
+
+**关键区别**: 传统方法学习纹理特征，我们的方法**学习几何结构特征**，完美适应IC版图的二值化、稀疏性、重复结构和曼哈顿几何特征。
 
 ## 📊 结果